論文の概要: Unmasking Shortcut Learning in IoT Intrusion Detection: A Forensic, Multi-Paradigm Evaluation of Feature Dependence and Data Leakage

• arxiv url: http://arxiv.org/abs/2609.28725v1
• Date: Wed, 23 Sep 2026 19:07:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.518665
• Title: Unmasking Shortcut Learning in IoT Intrusion Detection: A Forensic, Multi-Paradigm Evaluation of Feature Dependence and Data Leakage
• Title（参考訳）: IoT侵入検出におけるショートカットのアンマキング: 機能依存とデータ漏洩の法的なマルチパラダイム評価
• Abstract要約: 我々はCyberFlow-GICAPベンチマークを評価し,126のPCAPセッションにおける3,617,388のフローレコードと849,395の良性フローを含む。 4つの学習パラダイムをPCAP-解離分割を用いて4つの特徴構成で評価する。 リアルなIoT NIDS評価のための4ポイントのプロトコルチェックリストで締めくくります。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning-based Network Intrusion Detection Systems often report near-perfect performance on IoT benchmarks. However, whether these models learn generalizable attack behavior or exploit spurious dataset shortcuts- such as static testbed IP/MAC addresses and chronological recording artifacts-remains an important question. We evaluate the CyberFlowIoT-GICAP benchmark, containing 3,617,388 flow records across 126 PCAP sessions with 849,395 benign flows. Four learning paradigms are evaluated across four feature configurations using PCAP-disjoint splits; LightGBM is additionally evaluated using conventional random-flow splitting. When only statistical flow behavior is used (Fbehav), LightGBM (92.58% +/- 8.18%), Random Forest (92.59% +/- 8.18%), and Deep MLP (92.55% +/- 8.18%) achieve nearly identical Macro-F1, indicating that performance is constrained by feature representation rather than model complexity. With raw timestamps (Ftstamp), tree-based models reach 99.28% Macro-F1, while the linear model remains at 90.62%, showing that nonlinear models can exploit dataset-specific temporal structure. Attack detectability is highly asymmetric: high-rate and active attacks maintain >99.8% recall from flow behavior alone in nonlinear models, whereas the DNS Beaconing drops from 27.78% to 0.00% recall when contextual features are removed. Conventional random-flow splitting increases attack recall by up to 14.00%, highlighting the effect of placing flows from the same sessions in both training and test sets. We conclude with a 4-point protocol checklist for realistic IoT NIDS evaluation.
• Abstract（参考訳）: 機械学習ベースのNetwork Intrusion Detection Systemsは、IoTベンチマークでほぼ完璧なパフォーマンスを報告している。 しかし、これらのモデルが汎用的な攻撃行動を学ぶか、静的なテストベッドIP/MACアドレスや時系列記録アーティファクトなど、スプリケートなデータセットショートカットを利用するかは重要な問題である。 我々はCyberFlowIoT-GICAPベンチマークを評価し,126のPCAPセッションに3,617,388のフローレコードと849,395の良性フローを含む。 4つの学習パラダイムをPCAP-解離分割を用いて4つの特徴構成で評価し、LightGBMは従来のランダムフロー分割を用いてさらに評価する。 Fbehav)、LightGBM (92.58% +/- 8.18%)、Random Forest (92.59% +/- 8.18%)、Deep MLP (92.55% +/- 8.18%)しか使われていない場合、モデルの複雑さよりも特徴表現によって性能が制約されていることを示す。 生のタイムスタンプ(Ftstamp)では、木ベースのモデルは99.28%のマクロ-F1に達し、線形モデルは90.62%であり、非線形モデルはデータセット固有の時間構造を利用することができることを示している。 攻撃検出性は非常に非対称であり、高いレートとアクティブアタックは、非線形モデルでのみフロー行動からのリコールを99.8%維持するが、DNSビーコンはコンテキストの特徴が取り除かれると27.78%から0.00%に低下する。 従来のランダムフロー分割は攻撃リコールを最大14.00%増加させ、トレーニングセットとテストセットの両方で同じセッションからフローを配置する効果を強調している。 リアルなIoT NIDS評価のための4ポイントプロトコルチェックリストで締めくくった。

関連論文リスト

• Offline Reinforcement Learning for Distribution-Grid Protection [42.05746375597851]
  我々は,CIGRE中電圧ネットワークの静的軌跡からの線選択的トリップについて検討した。 畳み込みQネットワークは、因果電圧電流ファサーおよび見かけインピーダンス特徴を受信する。 その結果,密度予測性能と終端保護挙動がモデルランキングに影響を及ぼす可能性が示唆された。
  論文  参考訳（メタデータ） (2026-09-21T14:49:04Z)
• Domain-Specific Hallucination Detection in Large Language Models [0.0]
  大規模言語モデルは、不誠実なクレームを含むことができる流動的なテキストを生成する。 微調整されたDeBERTa-v3分類, Monte Carlo (MC) Dropoutの不確実性定量化を組み合わせた多信号検出パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-09-10T17:45:36Z)
• Leakage-Robust Evaluation and Data-Scale Sensitivity of Attention-Enhanced Multi-Task Learning for Joint Fault Diagnosis and Remaining Useful Life Estimation [0.0]
  マルチタスクディープラーニングモデルは、スライディングウィンドウシーケンスがトレーニングとテストセットにどのように分割されるかによって影響を受ける可能性がある。 ナイーブな分割は、真の20-60%から99.9%に分類精度を低下させる可能性がある。 チャンクベース・リーク監査分割プロトコルを導入し,5種の種子,片方向ANOVA,Tukey HSDテストを用いて全モデルを評価した。
  論文  参考訳（メタデータ） (2026-07-17T20:33:36Z)
• Reliable Extraction of Clinical Follow-Up Instructions: A Hybrid Neural-Symbolic Pipeline [43.0484058393522]
  我々は,ニューラルシンボリックなハイブリッドパイプラインを直接生成に対して試験する。 本研究は,2000点の合成外用コーパスについて検討した。
  論文  参考訳（メタデータ） (2026-05-26T05:14:33Z)
• UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction [42.532335022354545]
  バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。 本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。 本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
  論文  参考訳（メタデータ） (2026-05-18T10:28:15Z)
• Human-Inspired Memory Architecture for LLM Agents [0.9507070656654629]
  6つの認知機構からなる生体記憶アーキテクチャを提案する。 各メカニズムは、単純メモリ蓄積の特定の障害モードに対処する。 S層スケール(50セッション)では、デダップベースのコンソリデーションにより、好みのリコールが+13.3pp向上する。
  論文  参考訳（メタデータ） (2026-05-08T22:52:37Z)
• Prototype-Based Test-Time Adaptation of Vision-Language Models [58.28899599773308]
  PTA(Prototype-based Test-Time Adaptation) PTAは一連のクラス固有の知識プロトタイプを使用して、テストサンプルから知識を蓄積する。 PTAは最先端の性能を達成しつつ、極めて高い効率を達成する。
  論文  参考訳（メタデータ） (2026-04-23T07:20:56Z)
• Multi-Axis Trust Modeling for Interpretable Account Hijacking Detection [1.0152838128195467]
  本稿では,ハディスにインスパイアされたマルチ軸信頼モデリングフレームワークを提案する。 我々は,5つの信頼軸 – 長期的整合性(アダラ),行動精度(ダブト),文脈連続性(アイソナド),累積的評価,異常証拠 – を,ユーザアカウントに対して意味論的に意味のある行動特徴からなる26のコンパクトなセットに翻訳する。 CLUE-LDSクラウドアクティビティデータセットのフレームワークを,インジェクトされたアカウントハイジャックシナリオを用いて評価した。
  論文  参考訳（メタデータ） (2026-02-20T19:36:30Z)
• A Comprehensive Forecasting-Based Framework for Time Series Anomaly Detection: Benchmarking on the Numenta Anomaly Benchmark (NAB) [0.0]
  時系列異常検出は、現代のデジタルインフラにとって重要である。 本稿では,従来の手法をディープラーニングアーキテクチャと統合した予測ベースのフレームワークを提案する。 Numenta Anomaly Benchmark の最初の完全評価を行う。
  論文  参考訳（メタデータ） (2025-10-13T08:31:42Z)
• MAWIFlow Benchmark: Realistic Flow-Based Evaluation for Network Intrusion Detection [47.86433139298671]
  本稿では,MAWILAB v1.1データセットから得られたフローベースベンチマークであるMAWIFlowを紹介する。 得られたデータセットは、2011年1月、2016年、2021年に太平洋横断のバックボーンのトラフィックから引き出された、時間的に異なるサンプルで構成されている。 決定木、ランダムフォレスト、XGBoost、ロジスティック回帰を含む伝統的な機械学習手法は、CNN-BiLSTMアーキテクチャに基づいたディープラーニングモデルと比較される。
  論文  参考訳（メタデータ） (2025-06-20T14:51:35Z)
• RULSurv: A probabilistic survival-based method for early censoring-aware prediction of remaining useful life in ball bearings [39.58317527488534]
  Kullback-Leibler分散とRUL推定を用いた早期故障検出のための新しいフレキシブルな手法を提案する。 我々は,XJTU-SYデータセットにおいて,3つの異なる操作条件にまたがる5倍のクロスバリデーション戦略を用いてアプローチを実証する。 提案手法は,最大荷重下での5軸受の平均累積相対精度(CRA)を0.7586で達成し,複数の最先端ベースラインを改良する。
  論文  参考訳（メタデータ） (2024-05-02T16:17:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。